FDE 企业 AI 落地与交付 · 企业知识治理 · 2026-07-06

“本体”实战案例-大客流安全智能体

城市公共安全智能体如何应对瞬时数十万人流?本体为AI装上方向盘,在复杂业务中实现可解释、可追溯的决策。

核心内容:

  1. 智能体落地的两大战场:全自动化与决策型智能体
  2. 本体作为语义底座,为智能体提供导航与约束
  3. 城市大客流安全场景下的决策智能体实战案例

前言

大模型像一台马力强劲但没有方向盘的发动机——拥有惊人的生成能力和推理潜力,但如果让它独立完成一项涉及多源数据、多步推理、跨系统调用的长程任务,没有方向盘、没有刹车、没有导航,它只能原地轰鸣,或者不知方向地猛冲出去。它需要被"架在轨道上"运行:每一步能走多远、往哪个方向走、遇到岔路如何选择,都需要外部的工程手段来约束、引导和校验。这就是Harness 工程,本体(Ontology)正是 Harness 工程中最核心的语义轨道。

当前,AI 智能体正从概念验证走向生产级落地,进入真正的"深水区"。尽管大模型技术本身仍在快速迭代,但智能体如何在复杂业务场景落地,行业已形成明确共识:“企业必须结合自身行业,将领域知识通过本体、知识图谱、语义模型等结构化手段做好治理,才能让智能体真正承载业务逻辑、发挥可量化的价值”。智能体的可控性、可解释性与业务对齐度,正在成为决定成败的关键。

PART

ONE

jkstack

智能体落地的两类战场

决策与执行

在这一共识下,我们可以将智能体承担的工作大致分为两类:

· 全自动化智能体(Agentic Automation):面向确定性已知任务的自主执行。它结合大语言模型的推理能力与规划、记忆、技能(工具)调用,能够理解自然语言意图,自主选择合适的技能组合与调用顺序,完成复杂、长程的多步骤任务——例如自动检索多源信息、维护任务状态、跨系统调用工具链等。这类任务中的步骤、规则和边界通常是预先可定义的,AI不再需要人工编写固定脚本,而是根据目标自主编排行动路径,核心价值在于“以更少的人工干预、更高的适应性完成自动化任务”。

·决策型智能体(Decision Intelligence):面向动态环境下的不确定性决策。它的核心挑战不是“能否执行长任务”,而是“在信息不完全、环境快速变化、规则相互耦合甚至冲突的条件下,做出最优的实时决策”。典型代表包括城市公共安全管控、金融风险实时响应、应急指挥调度等场景。这里的AI不仅要“能做”,更要“决策准、响应快、可追溯”。

本文要提到的城市公共安全智能体,正属于典型的决策型工作以某城市核心景观区为例:节假日瞬时人流可达数十万,管理者需要同时调度视频监控、LBS 信令、交通信息、气象预警、应急资源……等几十个系统、几十类数据源、数百条相互耦合的处置规则。这里的 AI不能只是"自动工作",而是必须理解复杂业务语义,权衡冲突目标,在极短时间窗口内做出可追溯、可解释的动态决策。然而,传统大模型擅长的是"文字接龙"式的生成,它看不懂跨越时空的复杂业务逻辑,更无法安全、合规地执行实时操作——因为它缺少一个关键的语义底座:本体。

所谓本体,就是为这台“发动机”装上方向盘、刹车和导航仪——让大模型在业务轨道内安全行驶的工程化语义底座。 它把散落的业务术语、数据字段、流程规则、合规约束,形式化为一个可动态演化的语义框架,是智能体推理与执行的逻辑基线。它不是静态的图谱,而是一个随业务变化可实时调整、可演化的高阶语义模型。有了本体,大模型才能真正理解业务语义、在规则边界内进行推理、做出可解释的决策——成为能看懂业务、主动预警、实时预测、闭环调度的“城市公共安全智能体”。

我们在过去的几年里已在多个高复杂度的公共安全决策场景中,成功验证了这套能力。下面,我们以 “某城市核心景观区-城市公共安全智能体” 为例,展示本体模块如何破解多源异构、语义鸿沟、复杂逻辑、实时推理的落地难题。

PART

TWO

jkstack

数十万人安全通行,卡在哪?

四大痛点

案例背景:某城市滨水区作为城市核心景观地标,每日落日后吸引数十万市民游客集中涌入观赏夜景,滨水区东西长3公里,南北最窄处仅35米,形成20个出入口、瞬时承载上限仅4万人的封闭型高密度空间。在五一、国庆、春节等重大节假日及大型灯光秀、无人机秀活动期间,客流呈现爆发式增长,传统人海战术与经验式管控难以精准预判拥堵态势,客流疏导严重滞后,极易引发出入口滞留、滨水区域通道堵塞、台阶区域对冲等高危场景。历史上多次出现人群密度峰值突破警戒阈值,踩踏风险一触即发,不仅威胁人民群众生命安全,也给城市应急响应与警务安保力量带来极大压力,实时监测手段缺失与预警能力不足成为城市精细化管理的核心短板。这一短板具体表现为以下四大痛点:

01多源异构|数据无法融合统一感知

感知数据包括:视频数据、手机信令、票务数据、交通路况、气象信息……等十几个系统的数据,并且数据结构(图像、时序、位置、文本)、更新频率(秒级、分钟级、小时级)、空间粒度(点位、网格、区域)各不相同,彼此割裂。传统方式下,人工需分屏查看,难以在统一的时空基准下实时融合,导致对整体客流态势“看不清、判不准”。

02语义鸿沟|AI无法理解跨数据源的复合语义

即使数据能够融合,通用大模型或传统AI仍然读不懂“人流密度上升 + 地铁进站排队 > 200米”意味着什么。它无法将多源数据组合后的状态映射到具体业务概念(如“即将拥堵”),更不理解“密度上升”和“排队加长”之间的因果关系。这种语义层面的鸿沟,导致AI即使拥有数据,也无法做出有业务意义的判断与决策。

03复杂逻辑|业务规则来源多且逻辑复杂,无法自动执行

业务规则包括:预警阈值、预案触发条件、部门联动机制、疏散策略选等逻辑,来源…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/knowledgegraph/2026070623984.html